expria-backend/docs/Prompt_production_modèle.md

Prompt Maître — Génération de la Production Modèle TCF Canada

Source : app/api/modele/route.ts → handler POST (ligne 115) Modèle : DeepSeek Chat (deepseek-chat) · temperature: 0.3 · max_tokens: 2200

---

Principe de fonctionnement

Le prompt réécrit la production du candidat un niveau NCLC au-dessus de son score obtenu, en conservant intégralement ses idées et arguments. Il ne génère pas un texte de zéro.

nclcModele = min(nclcObtenu + 1, 10)

---

Variables dynamiques

Variable	Description	Exemple
sujet	Consigne ou sujet donné au candidat	"Écrivez un mail à votre voisin..."
taskDescription	Description officielle de la tâche (voir ci-dessous)	—
texte	Production originale du candidat	—
nclcObtenu	Niveau NCLC réellement atteint par le candidat (7–10)	8
nclcModele	Niveau NCLC cible de la production modèle (nclcObtenu + 1)	9
scoreModele	Score minimum requis pour atteindre nclcModele	14

Barème NCLC → score minimum

NCLC	Score minimum /20
7	10
8	12
9	14
10	16

---

Descriptions des tâches

Tâche 1

Expression écrite — Tâche 1 : Message / mail / annonce (60-120 mots). Respect du registre (formel ou informel), salutation, corps du message, formule de clôture et signature.

Tâche 2

Expression écrite — Tâche 2 : Article de blog ou forum (120-150 mots). Accroche, récit personnel à la 1re personne, opinion argumentée, conseil au lecteur.

Tâche 3

Expression écrite — Tâche 3 : Texte comparatif (120-180 mots). Partie 1 (40-60 mots) : présentation neutre des deux documents. Partie 2 (80-120 mots) : prise de position personnelle argumentée.

---

Prompt envoyé au modèle

Tu es un correcteur expert TCF Canada.

Le candidat a rédigé cette production sur le sujet suivant :

SUJET : {sujet}

TÂCHE : {taskDescription}

PRODUCTION DU CANDIDAT :
{texte}

Le candidat a obtenu NCLC {nclcObtenu}. Ta mission est de lui montrer comment atteindre NCLC {nclcModele} (score minimum {scoreModele}/20).

Ta mission : réécrire cette production EN CONSERVANT le fond, les idées, le positionnement et les arguments du candidat — mais en appliquant parfaitement les 4 critères officiels TCF Canada :

1. Réalisation de la tâche — respecter le format, les limites de mots, la consigne, le registre
2. Cohérence / Structure — paragraphes clairs, connecteurs logiques variés, progression cohérente
3. Étendue du lexique — vocabulaire riche et précis, zéro répétition, registre adapté
4. Maîtrise grammaticale — structures complexes, subjonctif, passif, subordination

RÈGLES ABSOLUES :
- Conserver les idées et arguments du candidat — ne pas inventer
- Respecter STRICTEMENT les limites de mots ci-dessous pour le champ production_modele_propre (ne jamais dépasser le maximum)
- Viser exactement le niveau NCLC {nclcModele}
- Le texte d'examen ne contient AUCUNE note : pas de [NOTE:], pas de commentaire entre parenthèses dans production_modele_propre
- Proposer exactement 3 entrées dans notes_pedagogiques (passage court + explication)
- Répondre en JSON valide sans markdown

COMPTAGE DES MOTS (TCF Canada, Expression écrite) :
- Un mot = segment séparé par des espaces (ou fins de ligne) ; l'apostrophe (' ou ') et le tiret (-) ne créent pas un mot supplémentaire.
- Exemples : « c'est », « l'eau », « aujourd'hui », « c'est-à-dire », « vas-y » comptent chacun pour un seul mot.

LONGUEUR production_modele_propre pour cette tâche (respecter min conseillé et max STRICT) :
- Tâche 1 : 60 à 120 mots — ne pas dépasser 120 mots
- Tâche 2 : 120 à 150 mots — ne pas dépasser 150 mots
- Tâche 3 : 120 à 180 mots — ne pas dépasser 180 mots

FORMAT JSON :
{
  "production_modele_propre": "texte final seul, prêt pour l'examen, sans aucune annotation",
  "notes_pedagogiques": [
    {"passage": "extrait court du texte modèle", "explication": "pourquoi ce passage est efficace au TCF"}
  ],
  "transformations": [
    {"original": "extrait original du candidat", "ameliore": "version améliorée", "explication": "pourquoi c'est mieux"}
  ],
  "message": "phrase courte encourageante sur les idées du candidat"
}

---

Structure de la réponse JSON attendue

{
  "production_modele_propre": "<texte final réécrit, prêt pour l'examen, sans annotation>",
  "notes_pedagogiques": [
    {
      "passage": "<extrait court du texte modèle>",
      "explication": "<pourquoi ce passage est efficace au TCF>"
    },
    {
      "passage": "<extrait court du texte modèle>",
      "explication": "<pourquoi ce passage est efficace au TCF>"
    },
    {
      "passage": "<extrait court du texte modèle>",
      "explication": "<pourquoi ce passage est efficace au TCF>"
    }
  ],
  "transformations": [
    {
      "original": "<extrait original du candidat>",
      "ameliore": "<version améliorée>",
      "explication": "<pourquoi c'est mieux>"
    }
  ],
  "message": "<phrase courte encourageante sur les idées du candidat>"
}

---

Champs expliqués

Champ	Rôle
production_modele_propre	Texte final réécrit au niveau NCLC cible, sans aucune annotation, prêt pour l'examen
notes_pedagogiques	Exactement 3 passages du texte modèle commentés pédagogiquement
notes_pedagogiques[].passage	Extrait court tiré du texte modèle
notes_pedagogiques[].explication	Raison pour laquelle ce passage est efficace au TCF
transformations	Liste des améliorations appliquées sur des extraits précis
transformations[].original	Extrait original du candidat
transformations[].ameliore	Version améliorée de cet extrait
transformations[].explication	Justification pédagogique de l'amélioration
message	Message court et encourageant adressé au candidat

---

Post-traitement côté serveur

Après réception de la réponse du modèle, le serveur applique les traitements suivants :

1. Nettoyage — suppression de toutes les annotations entre crochets [NOTE: ...] ou parenthèses dans production_modele_propre via stripModelAnnotations()
2. Vérification du nombre de mots — comptage TCF via wordCount() (apostrophes et tirets ne créent pas de mots supplémentaires)
3. Troncature automatique — si le texte dépasse le maximum de mots autorisé, il est tronqué via truncateToMaxWords() et le flag tcf_truncated: true est retourné
4. Enrichissement de la réponse — ajout des métadonnées : nclcModele, nclcObtenu, scoreCible, tcf_word_count, tcf_word_min, tcf_word_max, tcf_truncated
5. Persistance — enregistrement dans la table productions avec record_kind: "production_modele" et lien vers le rapport parent via parent_production_id